基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断

邵　华，石庆华，郭　熙，赵小敏,*

(1.江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室,江西南昌330045;2.江西农业大学江西省作物生理生态与遗传育种重点实验室，江西南昌330045;3.江西省土壤肥料技术推广站，江西南昌330046)



基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断

邵华1,2,3，石庆华2，郭熙1，赵小敏1,2*

(1.江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室,江西南昌330045;2.江西农业大学江西省作物生理生态与遗传育种重点实验室，江西南昌330045;3.江西省土壤肥料技术推广站，江西南昌330046)

摘要：为研究水稻氮素营养诊断的快速方法、初步构建基于高光谱的水稻氮素营养诊断模型，以南方丘陵区晚稻氮肥试验为例，利用分别测定不同施氮水平及水稻不同生育期水稻冠层叶片的高光谱反射特征，应用一阶微分光谱以及植被指数分别构建基于高光谱的晚稻氮素营养诊断模型。结果表明：不同氮素水平下冠层叶片光谱反射率的差异主要集中在400～650 nm可见光处和730～1350 nm近红外处，随着冠层氮素含量增加可见光处光谱反射率降低，而在近红外范围内反射率增加。随着水稻生长发育，冠层叶片光谱反射率降低，而且反射峰值由519 nm向554 nm移动。应用738 nm处的光谱反射率与叶片氮素含量建模，用一阶微分反射率得到的最优模型为指数模型Y=1.591 4e88.794(R2=0.736 2)，用比值植被指数(RVI)和归一化植被指数(NDVI)得到的最优模型分别为指数模型Y=18.658e-1.040 9(R2=0.630 4)和二次多项式Y=-17.454X2+0.733 1X+4.130 2(R2=0.652 3)，所有模型中以一阶微分反射率得到的模型最佳，最适合于在供试条件下的水稻氮素营养诊断。

关键词：晚稻；高光谱；氮素营养；诊断模型

水稻氮素营养诊断一直是作物营养诊断和水稻施肥决策的重点和热点[1]，传统的水稻氮素营养诊断方法主要包括化学分析法、叶色卡法和叶绿素计方法等[2-4]。化学分析法由于需要采样到实验室内进行分析化验，会破坏水稻植株且分析的时效性不强；叶色卡法不能进行定量而只可定性地估测水稻叶片的氮素高低；叶绿素计法因其测定的是单叶，难以反映整个田块即面上的情况。因此许多学者[5]从不同角度进行了开展快速无损伤的水稻氮素光谱诊断、特别是基于光谱的氮素营养诊断的研究。谭昌伟等[6]研究了2个水稻品种在不同施氮水平下叶片氮素营养诊断；Xue等[7]应用水稻冠层反射光谱测算水稻氮素状况、Zhang等[8]用多光谱在田块冠层尺度下进行水稻氮素营养的估测。一些学者[2,9-12]进行了水稻氮素营养光谱诊断的敏感波段及其指数的研究。也有学者[1,13-14]研究了水稻氮素营养光谱诊断的模型及其基于光谱的推荐施肥模型。为进一步提高水稻氮素光谱诊断的精度，有些学者采用不同的光谱处理方法以建立更适合的模型，从而提高水稻光谱氮素诊断的精度[15-16]。

本文在以南方典型丘陵地区——江西省奉新县赤岸镇晚稻试验田为例，利用地物波谱仪分析不同施氮水平下的晚稻不同生育阶段的冠层反射光谱特征，构建基于高光谱的水稻氮素营养诊断模型，以提高水稻氮素营养诊断的效率和精度，为指导水稻氮肥施用提供科学依据。

1研究材料与方法

1.1田间试验设计

在江西省奉新县赤岸镇沿里试验田晚稻布置氮素4个施肥水平处理，分别是不施氮到施氮共4个水平，即处理一:N0(不施氮肥) 、处理二:N1(127.5 kg/hm2) 、处理三:N2(142.5 kg/hm2)、处理四:N3(157.5 kg/hm2)，磷、钾肥4个处理均一致，磷(折纯P2O5)49.65 kg/hm2、钾(折纯K2O)114 kg/hm2。每处理3次重复，试验区面积0.08 hm2，采样随机排列。施肥方法及比例为：m(基肥)∶m(分蘖肥)∶m(孕穗肥)=4.5∶4.0∶1.5。

试验田块土壤基本养分状况：有机质含量25.79 g/kg，碱解氮含量120.87 g/kg，速效磷2.54 g/kg，速效钾134.79 g/kg，pH值5.49。

试验时间：2010年6—10月。水稻品种：粤优923。

1.2小区试验观测时间与数据获取

在水稻不同生长期，分别记录水稻的高光谱特征。水稻播种时间6月24日，移栽期时间7月24日，分蘖期为7月31日—8月25日，孕穗期为8月26日—9月13日，抽穗期9月14日—9月21日，灌浆期9月22日—11月3日。8月5日施分蘖肥，8月28日施孕穗肥。

选择8月3日，8月27日，9月18日，9月27日对4个处理进行4次水稻冠层、叶片测定光谱和采样分析氮含量。

1.3高光谱数据及氮素含量检测

高光谱测定采用美国的FieldSpec3地物波谱仪，其波长范围在350～2 500 nm，采样间隔为1.4 nm(350～1 000 nm)和2 nm(1 000～2 500 nm)，重采样间隔为1 nm。冠层光谱测量时，天气无云，测量时间统一为11:00—12:00。仪器在冠层上方80 cm处，并在测量范围内均匀移动光谱仪探头，采集10次光谱数据，然后在室内进行平均处理。鲜叶片光谱测量在暗室中进行，测量采用8°视场角，离叶片高度为7 cm，视场范围为3.14 cm2，直径约为1 cm。测量叶片位置在叶片宽度为最宽处(靠近叶片中下部)，叶片宽度均包含在视场范围内。下垫面为反射率近似为零的黑色布，摘下最上部3～5片完全展开叶，在各叶表面上选择有代表性的6个测点，每点重复测定10次，取其平均值作为该点光谱反射率值。

叶片氮素含量分析采用采用凯氏定氮法[17]测定，与室内光谱测定同时进行。

2结果与分析

2.1水稻冠层叶片氮素含量

经过对水稻冠层叶片的氮素含量进行检测，平均含量结果见表1。由表1可知4个处理冠层叶片氮素含量均表示为一致的趋势：冠层叶片氮素含量从分蘖期到孕穗期呈现增加趋势，从孕穗期到抽穗期冠层叶片氮素含量急剧下降，直到灌浆期。F检验表明，在水稻生长的4个时期，不同氮肥处理之间的叶片含氮量均达到了极显著的差异。不同氮肥处理之间叶片氮素含量的差异见表2。由表2可知，除分蘖期N0与N1之间、孕穗期N1与N2之间叶片氮素含量差异不显著外，在分蘖期的N0与N2之间、灌浆期的N1与N2之间的差异均为显著性差异，其它所有处理之间均叶片氮素含量均达到极显著差异。

表1　水稻冠层叶片氮素平均含量表

**表示极显著水平、*表示显著水平。F0.05=9.55，F0.01=30.82。*Significant at 0.01 level;*Significant at 0.05 level.

表2　水稻叶片氮素含量差异显著性分析(t检验)

**表示极显著水平、*表示显著水平。t0.05=2.776，t0.01=4.604。**Significant at 0.01 level;*Significant at 0.05 level.

2.2水稻植株冠层叶片光谱特征曲线

利用Viewspec pro软件将FieldSpec3测量的数据进行处理，得到各采样时间各处理的波谱曲线(图1)。水稻冠层叶面反射率差异性主要集中在波段400～650 nm可见光波段以及730～1 350 nm近红外波段。由于大气水汽吸收干扰和仪器噪声的作用，导致1 350～1 450 nm、1 800～2 500 nm光谱反射率波动很大，因此这两大波段范围内的冠层反射光谱不可用。分析冠层叶面光谱反射曲线发现，随着冠层叶片氮素的含量增加，光谱反射率在可见光波段范围内降低，但是在近红外730～1 350 nm范围内反射率增加，从4个处理的反射光谱曲线来看，可见光波段差异峰值在554 nm，近红外波段差异峰值在738 nm。与张金恒[10]、谭昌伟[13]所得出的研究结论相一致。

图1　9月27日4个处理水稻叶片反射率曲线图Fig.1　Rice leaf spectral reflectance curve of 4 treatments in September 27th

根据水稻反射波谱规律分析不同处理在不同生育期的光谱曲线，以处理四的不同生育期在350～1 050 nm波段的反射率为例进行分析，得到图2。

图2　处理四(N3)不同生育期光谱特征曲线Fig.2　Rice leaf spectral reflectance curve of treatment 4 (N3) in different growth period

从图2可以看出，在可见光波段范围，随着水稻的不断生长发育，冠层叶面的反射率在不断降低，而且反射峰值由519 nm向554 nm移动。在近红外波段内，随着水稻的生长发育，光谱反射率在不断提高，反射率峰值的稳定开始值不断退后。

2.3基于光谱的水稻氮素营养诊断模型构建

常见的高光谱遥感特征变量包括从原始光谱、一阶微分光谱提取的基于光谱位置的特征变量、基于高光谱面积的特征变量和基于高光谱或宽波段的植被指数特征变量。由于一阶微分光谱反射率以及植被指数与水稻氮素营养的相关性高于其它光谱变量[13]，采用一阶微分光谱反射率、宽波段植被指数与氮素营养含量建立诊断模型。

2.3.1一阶微分光谱反射率与氮素含量诊断模型利用Viewspec pro软件计算不同处理不同施氮水平下的一阶微分光谱反射率。根据不同氮素处理光谱反射率的差异，取差异值大处的738 nm的一阶微分光谱反射率与水稻植株全氮含量构建水稻氮素诊断回归模型。分别应用线性模型、对数模型、指数模型、幂函数模型和多项式模型进行拟合，拟合结果见表3。由表3的决定系数可知，指数模型和线性模型的氮素含量与一阶微分光谱反射率的相关性是处于最高的2个模型，拟合效果好，其中以一阶微分光谱反射率拟合的指数模型(R2=0.736 2)拟合效果最好。应用指数模型和线性模型得出的拟合曲线如图3。

表3　水稻氮素含量与一阶微分光谱反射率之间的回归模型

图3　738 nm处一阶微分光谱反射率与氮素含量关系Fig.3　Relationship between N content and the first order differential spectral reflectance in 738 nm

2.3.2植被指数与氮素含量诊断模型水稻叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，通过这2个波段测值的不同组合可得到不同的植被指数。比值植被指数(RVI)又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。归一化植被指数(NDVI)为2个通道反射率之差除以它们的和。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢。因此本研究采用与TM波段划分范围一致(表4)的宽波比值植被指数(RVI)和宽波归一化植被指数(NDVI)分别与水稻叶片氮素含量构建氮素营养光谱诊断模型。将表3中波段内的光谱反射率平均值作为该波段的反射率，用于计算RVI和NDVI。RVI和NDVI的计算公式分别为：RVI=Band 4/Band 3、NDVI=(Band 4-Band 3)/(Band 4+Band 3)。

表4　与TM一致的波段划分范围

比值植被指数(RVI)和归一化植被指数(NDVI)与水稻叶片氮素含量的关系也分别应用线性模型、对数模型、指数模型、幂函数模型和多项式模型进行拟合，拟合结果见表5。从表5中的决定系数可知，RVI和NDVI分别于水稻氮素拟合时，决定系数高的2个模型均是二次多项式和指数模型(图4、图5)，但RVI的最高决定系数即拟合最好的模型是指数模型(R2=0.630 4)、而NDVI的最佳拟合模型是二次多项式(R2=0.652 3)。所有水稻氮素光谱诊断模型中决定系数最高的是以一阶微分光谱反射率拟合的指数模型(R2=0.736 2)，因此在本研究供试条件下是最适合的稻氮素光谱诊断模型。

表5　水稻氮素含量与宽波植被指数之间的回归模型

图4　738 nm处RVI与水稻含氮量拟合模型Fig.4　Relationship between N content and RVI in 738 nm

图5　738 nm处NDVI与水稻含氮量拟合模型Fig.5　Relationship between N content and NDVI in 738 nm

3结论与讨论

(1)冠层叶片氮素含量差异在不同生育期的不同氮肥处理之间总体均达到了极显著水平，t检验分析两两之间的差异也绝大部分达到极显著或显著水平。叶片氮素含量从分蘖期到孕穗期呈现增加趋势，从孕穗期开始冠层叶片氮素含量下降，直到灌浆期，其中以孕穗期到抽穗期下降迅速。这是由于分蘖期叶片生长旺盛，氮素营养上要供应叶片生长。随着水稻生育进入孕穗期，氮素营养主要供应穗的生长发育，因此冠层叶片氮素营养开始减小。随着穗的抽出，氮素营养主要向穗部转移，冠层叶片氮素营养继续下降，直到灌浆期。

(2)分析冠层叶片高光谱反射曲线发现，随着冠层叶片氮素的含量增加，光谱反射率在可见光波段范围内减少，但是在近红外730～1 350 nm范围内反射率增加，从4个处理的反射光谱曲线来看，可见光波段差异峰值在554 nm，近红外波段差异峰值在738 nm。与张金恒[10]、谭昌伟[13]研究结论相一致。在可见光波段，随着水稻的不断生长发育，冠层叶片反射率在不断降低，而峰值由519 nm向554 nm移动。在近红外波段，随着水稻的不断生长发育，冠层叶片反射率在不断提高，反射率的稳定开始值不断退后，但差异不大。

(3)取738 nm处的一阶微分光谱反射率与冠层叶片氮素含量进行拟合建模，线性方程为Y=215.31X+1.621 4，指数模型为Y=1.591 4e88.794X，2个模型的相关性即拟合程度均较好，其中指数模型拟合最好(R2=0.736 2)。利用TM波段范围划分高光谱波段，计算宽波段植被指数的比值植被指数(RVI)与归一化植被指数(NDVI)，并分别于冠层叶片氮素含量进行拟合建模，得到RVI的指数模型Y=18.658e-1.040 9X和二次多项式Y=-1.376 9X2+1.913 2X+4.015 5这2个模型拟合较好，其中以指数模型拟合最好(R2=0.736 2)；NDVI的指数模型Y=6.917 8e-3.169 5X和二次多项式Y=-17.454X2+0.733 1X+4.130 2拟合较好，其中以二次多项式拟合最好(R2=0.652 3)。所有水稻氮素光谱诊断模型的决定系数以一阶微分光谱反射率拟合的指数模型(R2=0.736 2)为最高，一阶微分光谱反射率的指数模型拟合程度在本研究所有拟合模型中最优，最适合用于本研究供试条件下的水稻氮素光谱诊断。

(4)冠层叶片光谱特征的研究是为了快速诊断氮素营养提供依据，本研究仅初步以一阶微分光谱反射率、宽波段植被指数与水稻氮素营养含量的关系建立了氮素营养诊断模型。尽管存在显著的相关性，但是结论仍局限于试验条件的限制，因此还需要进行更多土壤条件和施肥条件下的多品种试验的检验。

参考文献：

[1]Li X L,Liu M B,Lou J,et al.Preliminary study on spectra diagnosis model for nitrogen nutrition in rice leaf[J].Agricultural Science & Technology,2011,12(2):168-170.

[2]Singh B,Singh Y,Ladlha J K,et al.Chlorophyll meter and leaf color chart-based nitrogen management for rice and wheat in northwestern India[J].Agronomy Journal,2002,94(4):821-829.

[3]王绍华，曹卫星，王强盛,等.水稻叶色分布特点与氮素营养诊断[J].中国农业科学，2002，35(12):1461-1466.

[4]Chubchi-NR,Asabol Oikava-T.The diagnosis of nitrogen of rice plants using chlorophyll meter[J].Japanese Journal of Soil Science and Plant Nutrition,1986,57:109-193.

[5]王磊，白由路.基于光谱理论的作物营养诊断研究进展[J].植物营养与肥料学报，2006,12(6):902-912.

[6]谭昌伟，庄恒扬，周清波.水稻叶片营养的光谱诊断研究[J].扬州大学学报:农业与生命科学版，2009,30(2):50-53.

[7]Xue L H,Cao W X,Luo W H,et al.Monitoring leaf nitrogen status in rice with canopy spectral reflectance[J].Agronomy Journal,2004,96(1):135-142.

[8]Zhang J H,Wang K,Bailey J S,et al.Predicting nitrogen status of rice using multispectral data at canopy scale[J].Pedosphere,2006,16(1):108-117.

[9]王人潮，黄敬峰.水稻遥感估产[M].北京：中国农业出版社，2002:30-46.

[10]张金恒，王珂，王人潮，等.水稻叶片反射光谱诊断氮素营养敏感波段的研究[J].浙江大学学报:农业与生命科学版，2004,30(3)：340-346.

[11]薛利红，杨林章，范小晖.基于碳氮代谢的水稻氮含量及碳氮比光谱估算[J].作物学报，2006,32(3)：430-435.

[12]Vaesen S G,Nackaert K,Coppin P.Ground measured spectral signatures as indicators of ground cover and leaf area index:the case of paddy rice[J].Field Crops Research,2001,69(1):13-25.

[13]谭昌伟，周清波，齐腊，等.水稻氮素营养高光谱遥感诊断模型[J].应用生态学报,2008,19(6):1261-1268.

[14]覃夏,王绍华,薛利红.江西鹰潭地区早稻氮素营养光谱诊断模型的构建与应用[J].中国农业科学,2011,44(4):691-698.

[15]Kokaly R F.Investigating a physical basis for spectroscopic estimates of leaf nitrogen concentration[J].Remote Sensing of Environment,2011,75(1):153-161.

[16]张金恒.基于连续统去除法的水稻氮素营养光谱诊断[J].植物生态学报，2006，30(1)：78-82.

[17]陈因.现代植物生理学试验指南[M].北京：科学出版社，1999:133-134.

Diagnosis of Nitrogen Nutrition of Late Rice Based on Canopy

Hyper-spectrum in Hilly Areas of Jiangxi Province

SHAO Hua1,2,3，SHI Qing-hua2，GUO Xi1，ZHAO Xiao-min1,2*

(1.Key Laboratory of Poyang Lake Basin Agricultural Resources and Ecology of Jiangxi Province,Jiangxi Agricultural University,Nanchang 330045,China;2.Key Laboratory of Crop Physiology,Ecology and Crop Genetic Breeding of Jiangxi Province,Jiangxi Agricultural University,Nanchang 330045,China;3.Soil and Fertilization Technology Extension Station of Jiangxi Province,Nanchang 330046,China)

Abstract：In order to study N quick diagnosis and to construct N diagnosis model of rice based on hyperspectral,taking nitrogen field experiments on late rice in hilly areas of Jiangxi Province as an example,and by using spectrometer to test the hyper-spectral reflection characteristics of rice canopy in different growth periods,the nitrogen nutrition diagnosis models of late rice were established by using the first differential reflectance spectrum and vegetation index,respectively.The results showed that the difference in canopy spectral reflectance under different nitrogen levels mainly concentrated in the 400-650 nm visible light and in 730-1 350 nm near

infrared,and the spectra reflectance was reduced in the visible range but increased in the near infrared range with the increase of leaf nitrogen content.With rice growth and development,the canopy leaf spectral reflectance was reduced and the reflection peak moved from 519 nm to 554 nm.The models established by using spectral reflectance with leaf nitrogen content in spectra 738 nm indicated that the optimal models are the exponential modelsY=1.591 4e88.794X(R2=0.736 2) andY=18.658e-1.040 9X(R2=0.630 4) by using the first differential reflectance and by using RVI,respectively,but by using NDVI the optimal model is quadratic polynomialY=-17.454X2+ 0.733 1X+4.130 2(R2=0.652 3).The best model in all the optimal models is the exponential modelY=1.591 4e88.794X,which is the most suitable model for rice nitrogen nutrition diagnosis in the tested conditions.

Key words:late rice;hyper-spectral;nitrogen nutrition;diagnosis model

作者简介：邵华(1967—)，女，推广研究员，博士，主要从事土壤肥料的技术研究，E-mail:shaohua26@163.com;*通信作者：赵小敏，教授，E-mail:zhaoxm889@126.com。

基金项目：国家自然科学基金项目(41361049)和江西省自然科学基金项目(20122BAB204012)

收稿日期：2015-03-31修回日期：2015-06-02

中图分类号：S127

文献标志码：A

文章编号：1000-2286(2015)06-0975-07

邵华，石庆华，郭熙，等.基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断[J].江西农业大学学报，2015，37(6)：975-981.